論文の概要: Artificial Intelligence-Based Classification of Spitz Tumors

• arxiv url: http://arxiv.org/abs/2508.05391v1
• Date: Thu, 07 Aug 2025 13:41:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 18:59:39.881492
• Title: Artificial Intelligence-Based Classification of Spitz Tumors
• Title（参考訳）: 人工知能によるスピッツ腫瘍の分類
• Authors: Ruben T. Lucassen, Marjanna Romers, Chiel F. Ebbelaar, Aia N. Najem, Donal P. Hayes, Antien L. Mooyaart, Sara Roshani, Liliane C. D. Wynaendts, Nikolas Stathonikos, Gerben E. Breimer, Anne M. L. Jansen, Mitko Veta, Willeke A. M. Blokx,
• Abstract要約: 従来の黒色腫と非定型的組織像の重複が原因で診断に難渋している。 従来の黒色腫とSpitz腫瘍を鑑別し, 組織学的, 臨床的特徴を用いたAIモデルの有効性を検討した。
• 参考スコア（独自算出の注目度）: 0.6575918587295319
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spitz tumors are diagnostically challenging due to overlap in atypical histological features with conventional melanomas. We investigated to what extent AI models, using histological and/or clinical features, can: (1) distinguish Spitz tumors from conventional melanomas; (2) predict the underlying genetic aberration of Spitz tumors; and (3) predict the diagnostic category of Spitz tumors. The AI models were developed and validated using a dataset of 393 Spitz tumors and 379 conventional melanomas. Predictive performance was measured using the AUROC and the accuracy. The performance of the AI models was compared with that of four experienced pathologists in a reader study. Moreover, a simulation experiment was conducted to investigate the impact of implementing AI-based recommendations for ancillary diagnostic testing on the workflow of the pathology department. The best AI model based on UNI features reached an AUROC of 0.95 and an accuracy of 0.86 in differentiating Spitz tumors from conventional melanomas. The genetic aberration was predicted with an accuracy of 0.55 compared to 0.25 for randomly guessing. The diagnostic category was predicted with an accuracy of 0.51, where random chance-level accuracy equaled 0.33. On all three tasks, the AI models performed better than the four pathologists, although differences were not statistically significant for most individual comparisons. Based on the simulation experiment, implementing AI-based recommendations for ancillary diagnostic testing could reduce material costs, turnaround times, and examinations. In conclusion, the AI models achieved a strong predictive performance in distinguishing between Spitz tumors and conventional melanomas. On the more challenging tasks of predicting the genetic aberration and the diagnostic category of Spitz tumors, the AI models performed better than random chance.
• Abstract（参考訳）: 従来の黒色腫と非定型的組織像の重複が原因で診断に難渋している。 従来の黒色腫とスピッツ腫瘍との鑑別,スピッツ腫瘍の遺伝的収差の予測,スピッツ腫瘍の診断カテゴリーの予測など,組織学的および臨床的特徴を用いたAIモデルの有用性について検討した。 AIモデルは、393のスピッツ腫瘍と379の伝統的なメラノーマのデータセットを用いて開発され、検証された。 AUROCと精度を用いて予測性能を測定した。 AIモデルの性能は、読者調査で経験した4人の病理学者のパフォーマンスと比較された。 さらに, 病理領域のワークフローにAIによる診断検査の勧告が及ぼす影響をシミュレーション実験により検討した。 UNIの特徴に基づく最高のAIモデルはAUROCの0.95に達し、従来のメラノーマとスピッツ腫瘍を区別する精度は0.86に達した。 遺伝的収差は0.55の精度で予測され、ランダムな推定では0.25の精度で予測された。 診断カテゴリーは0.51の精度で予測され、ランダムな確率レベルの精度は0.33である。 これら3つの課題において、AIモデルは4人の病理学者より優れていたが、ほとんどの個人比較では統計的に有意な差はなかった。 シミュレーション実験に基づいて、補助診断テストのためのAIベースのレコメンデーションを実装することで、材料コスト、ターンアラウンド時間、検査を削減できる。 結論として、AIモデルは、スピッツ腫瘍と従来のメラノーマを区別する上で、強い予測性能を達成した。 遺伝子異常とスピッツ腫瘍の診断カテゴリーを予測するためのより困難なタスクについて、AIモデルはランダムな確率よりも優れたパフォーマンスを示した。

関連論文リスト

• A Comparative Analysis of Image Descriptors for Histopathological Classification of Gastric Cancer [39.69192026190426]
  胃がんは世界で5番目に多く、致死率も4番目に高く、5年生存率は約20%である。 本研究は, 組織像を健康・癌カテゴリに分類するために, 機械学習と深層学習技術を用いた。
  論文  参考訳（メタデータ） (2025-03-21T12:46:22Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Multi-modal AI for comprehensive breast cancer prognostication [18.691704371847855]
  我々は、デジタル病理と臨床データを統合する新しい人工知能(AI)ベースのアプローチを開発した。 この検査は15のコホートで計8,161人の乳がん患者のデータを用いて開発・評価された。 以上の結果から,我々のAIテストは既存の予後検査の精度を改善しつつ,幅広い患者に適用可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-10-28T17:54:29Z)
• Artificial Intelligence-Based Triaging of Cutaneous Melanocytic Lesions [0.8864540224289991]
  患者数の増加とより包括的な診断の必要性により、病理学者は作業負荷の増大に直面している。 われわれは,全スライド画像に基づいて皮膚メラノサイト性病変をトリアージする人工知能(AI)モデルを開発した。
  論文  参考訳（メタデータ） (2024-10-14T13:49:04Z)
• Artificial intelligence for abnormality detection in high volume neuroimaging: a systematic review and meta-analysis [0.5934394862891423]
  神経画像における異常を検出する人工知能(AI)モデルを評価するほとんどの研究は、非表現的な患者コホートで試験されている。 目的は、診断テストの精度を判定し、第一線高ボリュームのニューロイメージングタスクを実行するAIモデルの使用を支持する証拠を要約することであった。
  論文  参考訳（メタデータ） (2024-05-09T10:12:17Z)
• Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
  本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。 発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
  論文  参考訳（メタデータ） (2023-08-01T12:46:02Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• Using Whole Slide Image Representations from Self-Supervised Contrastive Learning for Melanoma Concordance Regression [2.21878843241715]
  悪性黒色腫と良性黒色腫病変を鑑別する際,病理医の間では高い一致率で診断が複雑になる。 デジタル化された全スライド画像(WSIs)から侵入性メラノーマまたはメラノーマの一致率を予測するメラノーマ一致回帰深層学習モデルを提案する。 我々は,4つの病理検査室から得られた10,895検体からランダムに採取した83,356個のWSIタイルを用いたSimCLR特徴抽出器を訓練した。 テストセットで0.28 +/-0.01のルート平均正方形誤差(RMSE)と0.85 +/-0.05と0.61 +/-0.06の精度とリコールを実現した。
  論文  参考訳（メタデータ） (2022-10-10T16:07:41Z)
• Deep learning-based approach to reveal tumor mutational burden status from whole slide images across multiple cancer types [41.61294299606317]
  腫瘍突然変異負担(TMB)は、免疫療法の潜在的なゲノムバイオマーカーである。 ゲノムシークエンシングによって検出されたTMBは、低リソース環境での臨床透過性を欠いている。 本研究では,日常的に使用されているスライド画像からTMB状態を検出するための大規模ディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-07T07:02:32Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)
• Deep Learning-based Computational Pathology Predicts Origins for Cancers of Unknown Primary [2.645435564532842]
  原発不明癌 (CUP) は腫瘍由来の原発性解剖学的部位を特定できない診断群である。 最近の研究は、腫瘍原点の同定にゲノム学と転写学を使うことに重点を置いている。 深層学習に基づくCUPの差分診断が可能な計算病理アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-24T17:59:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。